具身智能公司的招聘，已经不能再按互联网扩张期的逻辑来做。

过去招一名算法负责人，企业主要看论文、模型经验和团队背景；现在招一名VLA负责人，还要追问他有没有真机数据、是否处理过Sim2Real偏差、能不能与运控和硬件团队共同定义接口。

过去招一名机械负责人，重点看结构设计与产品经验；现在还要判断他是否理解执行器热管理、关节控制、传感器标定，以及一轮硬件改版会对算法训练造成什么影响。

很多企业的问题不是没有预算，也不是没有猎头供应商，而是在岗位尚未定义清楚、资源尚未准备充分时，就急着把高价候选人请进来。

结果往往很相似：

• CEO希望候选人带来技术方向；
• CTO希望候选人立即解决工程问题；
• HR认为候选人已经接受了岗位条件；
• 候选人入职后却发现，自己接手的是一套与面试描述不同的系统。

三个月后，同一个岗位再次开放。

具身智能行业真正昂贵的，不是高薪，而是让一个高薪人才在错误的组织条件中消耗三到六个月。

倍利福猎头结合具身智能、机器人、智能制造和AI关键岗位项目，将人才引进拆成7个步骤。它们不是常规招聘流程，而是企业在正式发出Offer之前，需要依次完成的7项判断。

---

先看总表：具身智能人才引进的7个关键步骤

步骤	企业必须解决的问题	核心交付物	最常见的失败信号
1. 定义岗位任务	这个人入职后究竟要解决什么	12个月岗位任务书	JD覆盖模型、控制、硬件和量产全部能力
2. 重建人才地图	哪些行业已经积累了所需能力	跨行业Talent Map	只盯着几家机器人同行互相抬价
3. 开展技术尽调	候选人的真实贡献有多少	项目证据与风险报告	只看论文、职级和公司品牌
4. 审计组织承载力	企业现有条件能否接住人才	研发资源披露表	面试谈AGI，入职后缺卡、缺数据、缺真机
5. 设计人才对价	候选人为什么愿意承担这份风险	现金、股权、资源与权限方案	只谈Base，或只用期权讲未来
6. 控制竞业风险	能否合法、安全地完成入职	竞业风险分级表	用顾问合同或换岗位名称规避问题
7. 完成组织接驳	人才入职后如何快速进入系统	30/60/90天计划	到岗后无人管，算法与硬件各说各话

---

第一步：别急着写JD，先写一份“岗位任务书”

具身智能招聘最普遍的问题，是企业先确定职位名称，再往里面堆技能。

例如“具身智能算法负责人”的JD中，常常同时出现：

• VLA与多模态大模型；
• 模仿学习与强化学习；
• 世界模型；
• 机器人动力学；
• Sim2Real；
• 运动规划；
• 嵌入式部署；
• 双臂灵巧操作；
• 团队管理；
• 客户场景交付。

从技术上看，这些内容都与岗位有关；从组织上看，它们通常属于三到五个不同负责人。

行业坑点：企业在招人之前，还没有完成责任切分

“既懂算法又懂硬件”是一个合理要求，但不能把它理解为“一个人把算法和硬件全部做完”。

更合理的能力结构是：

能力类型	建议权重	判断标准
核心主干能力	60%—70%	候选人必须亲自主导，并对结果负责
相邻技术理解	20%—30%	能定义接口、识别风险、与其他团队协作
组织与商业理解	10%—20%	能理解公司阶段、客户需求和资源限制

例如，企业招聘Sim2Real负责人，其核心能力应是：

• 动力学建模；
• 系统辨识；
• 域随机化；
• 仿真策略训练；
• 真机控制与调试；
• 软硬件偏差排查。

他需要理解VLA、传感器和执行器，但不必同时承担基础模型预训练、电机电磁设计和关节供应链管理。

标准做法：用12个月结果反推画像

HR需要与CEO、CTO共同填写下面这张表。

时间节点	必须回答的问题	示例
入职30天	他需要先看懂什么	数据来源、真机状态、算法与硬件接口
入职90天	必须完成什么判断	找出Sim2Real误差的主要来源
入职6个月	必须交付什么结果	将某类任务真机成功率提升至可验证水平
入职12个月	企业需要沉淀什么能力	建立仿真、训练、评测和部署方法

这张表比十页JD更有价值。

岗位画像不是“理想人才应该会什么”，而是“企业愿意为哪一项结果付钱”。

交付避坑

岗位启动前，还要确认三件事：

1. 候选人是否有招聘副手的权限；
2. 他是否能调整技术路线和研发资源；
3. 其他团队是否同意由他对最终结果负责。

如果责任给了，权限没有给，这个岗位越高级，离职越快。

---

第二步：不要只找机器人同行，要追踪“能力从哪里长出来”

具身智能行业人才少，但企业经常把人才池做得更小。

不少HR收到岗位后，第一步就是列出国内十几家机器人公司，然后开始逐家挖人。这种方法看起来精准，实际容易进入高成本循环。

同一批候选人在几家公司之间反复流动，薪酬不断上涨，能力结构却没有变化。

人才地图不应该按公司名划分，而应该按能力来源划分

人才来源	可迁移能力	适合岗位	需要重点核验的风险
自动驾驶	感知、规划控制、仿真、数据、AI Infra	运控、Sim2Real、数据平台	是否过度依赖成熟基础设施
无人机/四足机器人	动力学、实时控制、高动态运动	运动控制、系统架构	是否经历复杂接触任务
工业机器人	控制器、系统集成、现场交付	工业部署、整机集成	是否理解大模型与数据训练
消费电子	NPI、供应链、可靠性、成本控制	灵巧手、关节、量产	是否适应早期产品频繁变化
汽车制造	电驱、车规质量、产线和规模交付	关节、电机、工艺、质量	分工过细，个人责任边界不清
AI Lab/高校实验室	多模态、VLA、世界模型、强化学习	模型研究、策略学习	是否有工程与产品经验
半导体与精密制造	传感器、封装、热管理、微纳工艺	触觉、驱动、核心部件	是否适应机器人快速迭代

行业坑点：把“做过人形机器人”当成唯一门票

人形机器人原生经验当然有价值，但企业更应该问：

• 这个岗位需要的能力，在哪个行业已经被大规模验证？
• 候选人的能力能否离开原平台继续成立？
• 他过去解决的是研究问题、工程问题，还是量产问题？

例如，企业招聘机器人量产负责人，最合适的人未必来自机器人公司。汽车零部件、消费电子和智能硬件企业中，做过NPI、良率爬坡、供应商导入和可靠性验证的人，可能更接近岗位真实需求。

Talent Map至少要包含8项信息

信息项	作用
当前公司与团队	判断候选人的组织环境
实际技术模块	避免被职位名称误导
项目阶段	区分研究、样机、客户验证和量产
本人贡献	判断是否具备技术所有权
配套资源	判断能力能否脱离原平台
当前薪酬	评估预算可行性
流动动机	判断是否值得接触
竞业与地域	判断最终入职概率

真正有用的人才地图，不是几百个姓名，而是能帮助企业决定：先找哪一类人，为什么是这类人。

---

第三步：把面试升级成一次“技术尽调”

具身智能人才简历中，最容易被放大的有三类内容：

• 顶会论文；
• 明星项目；
• 大厂职级。

这些信息有参考价值，但不能直接证明候选人能在新公司交付结果。

行业坑点一：团队成果被写成个人成果

候选人说自己“主导VLA模型”，实际可能只负责数据标注工具。

候选人说自己“完成双臂灵巧操作”，实际可能只负责一个子模块。

候选人说自己“负责机器人量产”，实际可能只参与过样件验证。

行业坑点二：Demo能力被误认为产品能力

一个机器人在固定光线、固定桌面和固定物体上完成抓取，不等于它具备真实场景工作能力。

需要进一步确认：

• 更换物体后是否有效；
• 环境变化后是否有效；
• 连续运行是否稳定；
• 硬件批次变化后是否有效；
• 出现失败后能否恢复；
• 推理成本和控制时延是否可接受。

标准SOP：四层技术验靶

第一层：问题所有权

让候选人说明：

• 问题由谁定义；
• 为什么需要解决；
• 他是否参与技术路线选择；
• 哪个决策真正由他负责。

第二层：方案所有权

要求候选人解释：

• 比较过哪些方案；
• 为什么没有选另一条路线；
• 方案的主要代价是什么；
• 哪些风险在项目初期没有预料到。

第三层：结果所有权

需要核验：

• 指标提升的起点和终点；
• 实验条件是否一致；
• 本人承担了哪一部分；
• 结果是否进入真实系统；
• 离开候选人后，系统能否继续运行。

第四层：失败所有权

真正做过项目的人，一定遇到过失败。

可以问：

“讲一次你做出的技术判断后来被证明是错的。错在哪里？给项目造成了什么影响？后来怎么修正？”

只讲成功、不讲代价的候选人，通常要谨慎判断。

可直接使用的现场案例

某机器人在仿真环境中的装配成功率达到90%，部署到真机后下降至42%。失败集中发生在接触工件后的1.5秒内，不同硬件批次之间表现差异明显。请说明你的排查顺序。

优秀候选人的判断通常会覆盖：

排查方向	具体问题
仿真参数	摩擦、刚度、质量和接触模型是否准确
硬件一致性	关节回差、传感器偏差、执行器温升
标定	相机、力觉、编码器和坐标系
通信与控制	控制周期、网络延迟、时间同步
数据覆盖	是否包含接触阶段和异常状态
策略鲁棒性	是否过度依赖某一硬件状态
恢复机制	失败后是否具备重新规划能力

技术面试不是看候选人能否说出正确名词，而是看他如何排列问题优先级。

背调边界

正式背调应在候选人授权后进行。企业可以核实履历、项目角色、管理方式和合作评价，但不能用所谓“同行暗访”向候选人现任公司泄露求职意向。

猎头的职责不是替CTO作出录用决定，而是提前挤掉履历中的水分，把真正需要业务团队判断的问题留下来。

---

第四步：对候选人尽调之前，企业先做一次“组织承载力审计”

不少关键人才入职失败，并非能力不足，而是企业根本接不住。

企业想引进一名顶级VLA专家，却没有稳定的数据管道；想引进运控负责人，却长期没有可用真机；想引进量产总监，却不给供应商和工艺调整权限。

候选人的个人能力越强，越容易在入职后迅速发现这些问题。

Offer前必须披露的研发条件

资源类别	企业必须说清楚的问题
算力	卡型、数量、可稳定使用额度、审批方式
数据	来源、规模、质量、标注方式、使用权限
真机	数量、可用率、故障率、测试排期
硬件	当前版本、主要缺陷、平均迭代周期
团队	算法、控制、机械、嵌入式、测试人数
工具	仿真、数据、评测、部署平台成熟度
客户	是否已有真实工位、验证标准是什么
权限	候选人能否招人、采购、改路线、换供应商

行业坑点：把未来规划当成现有资源

“下半年会增加一批GPU”和“现在有一批GPU”，对候选人来说是两回事。

“计划搭建数据平台”和“已经有稳定的数据管道”，也是两回事。

建议将企业条件分成三类：

状态	表达方式
已具备	候选人入职后可以立即使用
已批准未交付	说明负责人和预计时间
规划中	不应作为确定条件承诺

组织承载力评分表

企业可以在招聘前进行自评：

项目	1分	3分	5分
算力	临时申请	有固定额度	有独立训练资源
数据	零散、未清洗	有基础管道	可持续采集与评测
真机	数量少、故障高	可满足基础测试	可支持并行实验
团队	关键岗位大量缺失	基础团队已搭建	跨学科配置完整
权限	决策高度集中	部分授权	岗位责任与权限对等
产品场景	方向频繁变化	有明确验证场景	已有客户与交付标准

如果大部分项目只有1分，却希望招到成熟平台的P8架构师，企业需要先调整预期。

候选人可以接受从零开始，但不能接受企业把“从零开始”包装成“平台已经成熟”。

---

第五步：薪酬不是一个数字，而是一组风险交换条件

具身智能企业经常陷入两种误区。

一种认为高Base可以解决一切；另一种认为期权可以弥补所有现金差距。

真正的高端人才不会只看总包，而是计算整个机会的风险收益。

不同岗位的核心对价并不相同

岗位	最敏感的决策条件	常见错误
VLA/世界模型专家	算力、数据、技术路线	只加薪，不解决训练资源
强化学习专家	仿真平台、真机、实验自由度	只强调论文与Demo
运控负责人	硬件稳定性、接口权、测试资源	要求背结果，却不给硬件话语权
灵巧手负责人	样件预算、供应链、工艺团队	只看设计，不给试制条件
量产负责人	供应商权限、质量团队、投产节奏	让其对良率负责，却不能改供应链
CTO/技术VP	组织授权、预算、长期激励	职位很高，实际只是高级执行者

建议拆成三张清单

现金清单

• Base；
• 固定奖金；
• 项目奖金；
• 签字费；
• 搬迁支持。

长期激励清单

• 期权数量；
• 行权价；
• 归属周期；
• 离职处理；
• 稀释机制。

非现金条件清单

• 算力；
• 数据权限；
• 真机使用；
• 团队HC；
• 技术决策权；
• 预算权限。

交付避坑

所有影响候选人决策的承诺，都必须找到内部责任人。

例如：

承诺	责任人	到位时间
独立GPU资源	CTO/AI Infra负责人	入职前
增加3名算法HC	HRD	入职后60天
新增测试真机	硬件负责人	入职后45天
期权授予	CEO/财务	董事会批准后
供应商调整权	COO/CTO	入职即生效

没有负责人和时间的承诺，最终都会变成口头争议。

---

第六步：竞业问题要做风险分级，不能靠“换个合同名称”

具身智能人才大量来自自动驾驶、机器人、芯片和AI大厂，高级技术人员存在竞业限制并不罕见。

HR最危险的处理方式有三种：

• 先让候选人签Offer，竞业以后再说；
• 用“顾问”身份提前参与项目；
• 把岗位名称改掉，认为就不构成竞争。

合同名称不是判断竞业风险的核心，候选人实际做什么才是。

标准SOP：竞业风险四步表

步骤	核心动作	输出
文件核验	查看竞业、保密、知识产权和补偿记录	文件清单
业务对比	对比新旧公司产品、客户和技术范围	竞争关系说明
岗位评估	判断候选人是否接触相似代码、数据和项目	风险等级
法律判断	由企业法务或外部律师提供意见	处理方案

风险分级示例

风险等级	典型情况	建议处理
低	业务差异明显，岗位内容不同	正常推进，保留核验记录
中	部分技术或客户重叠	调整初期职责，限制敏感权限
高	直接竞对、核心技术高度重合	暂停推进，取得正式法律意见
极高	候选人计划携带原代码、图纸或数据	立即终止项目

所谓Cooling-off Period必须真实

如果候选人处于隔离期，就不应该：

• 参加核心研发会议；
• 接触代码和训练数据；
• 制定产品技术路线；
• 对接原公司相同客户；
• 实际管理研发团队。

否则只是更换了合同名称，并没有改变实际行为。

合规不是招聘速度的对立面。真正拖慢招聘的，往往是前期侥幸、后期争议。

---

第七步：把前90天设计成“组织接驳期”

具身智能企业人才流失率高，一个重要原因是软硬件团队使用不同的工作语言。

算法团队习惯按周迭代：

• 新数据；
• 新模型；
• 新参数；
• 新指标。

硬件团队面对的却是：

• 结构设计；
• 采购与加工；
• 样件测试；
• 失效返工；
• 三个月甚至更长的迭代周期。

算法认为硬件太慢，硬件认为算法天天改需求。最终最先离开的，往往是夹在中间的系统负责人。

90天接驳计划

阶段	核心目标	必须完成的动作
入职前	降低信息差	确认资源、岗位、汇报和首个任务
第1—7天	看懂真实系统	进入实验室、数据现场和硬件测试
第8—30天	建立共同语言	算法、控制、硬件共同定义指标
第31—60天	检查责任与权限	核实资源是否到位、接口是否顺畅
第61—90天	完成阶段复盘	评估候选人结果与企业承诺兑现

建议设置一组跨团队指标

不要让算法团队只对模型准确率负责，硬件团队只对样件交付负责。

可以共同承担：

• 真机任务成功率；
• Sim2Real性能差；
• 连续运行时间；
• 故障恢复时间；
• 控制时延；
• 关节温升；
• 数据有效率；
• 单次任务成本。

30/60/90天回访，不要只问“适应得怎么样”

可以直接问：

对象	应该问的问题
候选人	哪项承诺尚未兑现？哪个接口最消耗时间？
直属上级	候选人的能力与预期差距在哪里？
协作团队	是否出现职责重叠或决策冲突？
HR	是否存在组织、薪酬或汇报关系变化？
猎头顾问	入职前识别的风险是否已经出现？

真正有价值的跟进，是在候选人开始更新简历之前，发现他为什么可能离开。

---

具身智能关键人才引进自查表

企业正式启动招聘前，可以对照以下问题。

岗位定义

• 入职后第一项不可替代任务是什么？
• 12个月后以什么结果判断成功？
• 岗位责任与权限是否一致？
• 是否为候选人准备了副手和工程团队？

人才地图

• 是否只在机器人同行中找人？
• 哪些能力可以从自动驾驶、汽车制造、消费电子或工业自动化迁移？
• 候选人的能力是否依赖原平台？
• 是否提前评估竞业和地域风险？

技术评估

• 是否核实候选人的项目所有权？
• 是否区分论文、Demo和量产结果？
• 是否设置真实工程案例？
• 是否要求候选人解释失败和代价？

企业条件

• 算力、数据和真机是否如实披露？
• 哪些资源已具备，哪些仍在规划？
• 硬件迭代周期是否与算法目标匹配？
• 候选人是否拥有必要的决策权限？

Offer设计

• 是否同时讨论现金、股权、算力和权限？
• 每一项承诺是否有内部负责人？
• 候选人的核心诉求究竟是什么？
• 企业是否为错误画像支付了不必要溢价？

入职管理

• 是否制定90天计划？
• 是否安排算法与硬件双向接口人？
• 是否建立共同结果指标？
• 是否同步检查候选人表现和企业承诺兑现？

---

倍利福智库观察

具身智能企业在招聘中最容易问错的一个问题是：

“这个候选人够不够强？”

更应该问的是：

“这个候选人过去解决的问题，是否正是我们现在的问题；他发挥能力所需要的资源，我们是否真的具备？”

明星履历、顶会论文和大厂职级，只能证明候选人过去所在的平台。企业真正要购买的，是候选人在新环境中再次产出结果的概率。

倍利福猎头在具身智能、机器人、AI大模型、半导体和智能制造项目中，更重视岗位诊断、跨行业人才来源、技术贡献核验和入职后的组织适配。因为关键人才引进不是把一个名字放进组织架构，而是把一套能力接进企业现有系统。

这7个步骤，可以直接作为CEO、CTO与HR共同使用的招聘评审表。岗位正式开放之前，三方先完成一次书面确认。

很多本来需要用高薪解决的问题，最终会发现，真正缺的不是预算，而是岗位边界、资源条件和组织责任。